Waarom AI voor wetenschap meer heeft aan laboratoria dan aan grotere modellen

AI-modellen kunnen moleculen, aangrijpingspunten en biologische hypotheses voorstellen op een tempo dat traditionele laboratoria nauwelijks kunnen bijbenen. Volgens MegaRobo verschuift daardoor de beslissende beperking: niet alleen rekenkracht of slimmere algoritmen zijn schaars, maar vooral de infrastructuur om al die voorstellen betrouwbaar in de fysieke wereld te testen. 59

De oplossing die het bedrijf naar voren schuift, is een lab-in-the-loop: een geïntegreerd systeem waarin instrumenten en robots betrouwbaar bewijs verzamelen, AI die resultaten interpreteert en de uitkomst automatisch bepaalt welk experiment daarna volgt.

Het echte knelpunt: gecontroleerde biologische data

Een voorspelling over eiwitstructuur, binding, werkzaamheid, toxiciteit of klinische respons is nog geen geneesmiddel. Het is een voorstel dat in de praktijk moet worden getoetst.

Dat onderscheid is belangrijk, omdat biologische gegevens lastig te standaardiseren en moeilijk van de ene ontwikkelingsfase naar de andere over te dragen zijn. Een resultaat uit een vereenvoudigde test voorspelt niet altijd wat er gebeurt in een complexer biologisch systeem, een proefdier of een patiënt.

De waardevolle dataset bestaat daarom niet alleen uit molecuulstructuren. Het gaat om een samenhangend dossier waarin experimentele omstandigheden en metingen worden gekoppeld over meerdere stappen heen: screening, dosis-respons, werkzaamheid, veiligheid, farmacologie en uiteindelijk klinische uitkomsten.

MegaRobo presenteert dit als een probleem van data en werkprocessen. Experimenten moeten betrouwbare, gestructureerde informatie opleveren, zonder dat context verloren gaat door handmatige overschrijvingen of uiteenlopende procedures. 59

Waarom meer rekenkracht de kloof niet dicht

Steeds krachtigere modellen kunnen veel meer kandidaten genereren en rangschikken dan een traditioneel laboratorium kan synthetiseren en testen. Maar elke kandidaat moet nog altijd fysiek worden gevalideerd. Daarvoor zijn onder meer controlematerialen, reproduceerbare monstervoorbewerking, goed gekalibreerde instrumenten, kwaliteitscontroles en traceerbare metadata nodig.

Menselijke onderzoekers blijven onmisbaar voor wetenschappelijk oordeel en het afhandelen van uitzonderingen. Toch worden handmatige laboratoriumprocessen begrensd door personeel, planning, capaciteit en variatie in uitvoering. Automatisering kan die schaal aanzienlijk vergroten. Een robotisch platform voor kwantitatieve high-throughputscreening genereerde in drie jaar tijd meer dan 6 miljoen concentratie-responscurves uit ruim 120 assays. 33

Dat betekent niet dat elk experiment volledig te automatiseren is, of dat veel metingen vanzelf tot bruikbare kennis leiden. Het laat wel zien waarom de fysieke laag steeds belangrijker wordt naast de modell aag: AI kan alleen leren van experimenten die consequent worden uitgevoerd en op een analyseerbare manier worden vastgelegd.

MegaRobo’s architectuur: Perception, Conception en Execution

MegaRobo beschrijft zijn systeem als een gesloten lus met drie onderdelen:

• Perception — waarneming: instrumenten, beeldvorming, computervisie, monsteridentificatie en sensoren registreren de toestand van het laboratorium en de resultaten.
• Conception — interpretatie en planning: AI-modellen of agents interpreteren de uitkomsten, selecteren experimenten en bepalen wat er vervolgens moet worden geprobeerd.
• Execution — uitvoering: robotarmen, vloeistofverwerkers, incubatoren, assaysystemen en procescontroles voeren de gekozen procedures uit.

De kern zit niet in één afzonderlijk onderdeel, maar in de verbinding ertussen. In een gesloten laboratoriumlus zijn resultaten machinaal leesbaar en snel genoeg beschikbaar om de volgende experimentele cyclus te beïnvloeden. MegaRobo beschrijft het Kunpeng Laboratory als een combinatie van robotica, automatisering en AI, die bovendien data opbouwt voor toepassingen in AI voor wetenschap. 9

Ook recente beschrijvingen van MegaRobo-faciliteiten schetsen AI-agents die robotarmen, incubatoren en werkstations voor vloeistofverwerking aansturen. De fysieke testresultaten worden vervolgens gebruikt om nieuwe experimentele beslissingen te nemen. 4

Van laboratoriumautomatisering naar instrumenten voor machines

De ontwikkeling van MegaRobo kan worden gezien als een beweging van het automatiseren van losse taken naar het opnieuw ontwerpen van het laboratorium voor autonome machines.

Fase 1.0: herhaalbare workflows automatiseren

De eerste stap is klassieke laboratoriumautomatisering: repetitieve procedures standaardiseren en automatiseren om de doorvoer, consistentie en dataverzameling te verbeteren. Daarmee ontstaat de operationele basis voor autonomere systemen.

Fase 2.0: betrouwbaarheid aantonen in industriële omgevingen

In de tweede fase moet blijken dat waarneming, aansturing en uitvoering voldoen aan strenge industriële eisen. MegaRobo past zijn technologie toe in onder meer de levenswetenschappen en productie. Publieke bedrijfsinformatie beschrijft een bredere onderneming die laboratoriumautomatisering, life sciences en geavanceerde productie combineert. 68

De logica daarachter is helder: een autonoom wetenschappelijk systeem moet meer doen dan een indrukwekkende demonstratie geven. Het moet monsters correct herkennen, procedures consequent uitvoeren, fouten signaleren en betrouwbaar vastleggen wat er is gebeurd.

Fase 3.0: instrumenten ontwerpen voor AI-agents

De laatste stap is volgens MegaRobo het ontwikkelen van instrumenten die van nature door AI-agents kunnen worden gebruikt. Robotica wordt dan niet langer gezien als een aanvulling op apparatuur die voor mensen is ontworpen. Instrumenten moeten hun toestand machinaal leesbaar maken, directe instructies accepteren, routinefouten kunnen opvangen en onderdeel zijn van een continue experimentele lus. 5

Dat gaat verder dan één handeling, zoals pipetteren, door een robot te laten uitvoeren. Het betekent dat interfaces, protocollen en de data-architectuur van het laboratorium rond autonome bediening worden opgebouwd.

Waarom het laboratorium een vorm van ‘experimentele rekenkracht’ wordt

In dit model is een laboratorium niet meer alleen een plek waar onderzoekers procedures uitvoeren. Het wordt een systeem dat computationele voorstellen omzet in bewijs — en dat bewijs weer omzet in betere voorstellen.

Daarmee wordt fysieke infrastructuur zowel een mogelijk strategisch knelpunt als een bron van onderscheidend vermogen. Het voordeel van MegaRobo ligt volgens deze redenering niet noodzakelijk in het bezit van elk wetenschappelijk model, maar in de controle over de interface waarmee modellen:

1. de toestand van het laboratorium waarnemen;
2. wetenschappelijke doelen vertalen naar uitvoerbare procedures;
3. consistente en gevalideerde resultaten verkrijgen; en
4. hoogwaardige, mogelijk bedrijfseigen experimentele datasets opbouwen.

Hoe nauwer die stappen op elkaar aansluiten, hoe waardevoller elke experimentele cyclus wordt. Een losstaand model kan voorstellen wat moet worden getest. Een geïntegreerd systeem kan die test uitvoeren, de uitkomst interpreteren en de volgende cyclus starten met minder vertraging en minder informatieverlies.

Wat de investeringsgolf rond AI-geneesmiddelen laat zien

De financiële belangstelling voor AI-gestuurde geneesmiddelenontwikkeling toont dat investeerders veel vertrouwen hebben in de sector. Maar een veelbelovende kandidaat is nog altijd iets anders dan een geneesmiddel dat klinisch werkt en op de markt komt.

De beursgang van Insilico Medicine in Hongkong haalde in december 2025 ongeveer 293 miljoen dollar op. In de beursdocumenten van het bedrijf stond bovendien dat geen van zijn kandidaatgeneesmiddelen op het relevante peilmoment was gecommercialiseerd. 1719

Dat bewijst niet dat AI voor geneesmiddelenontwikkeling heeft gefaald. Het laat wel zien dat kapitaal, computationeel ontwerp en commerciële klinische ontwikkeling verschillende punten op een lang traject zijn. MegaRobo gebruikt die kloof als onderbouwing voor zijn infrastructuurargument: kandidaten genereren is slechts één stap; betrouwbaar testen en vertalen naar de kliniek blijven onmisbaar.

De grenzen van autonome laboratoria

Een snellere gesloten laboratoriumlus neemt de moeilijkste onzekerheden in de ontwikkeling van geneesmiddelen niet weg. Zo garandeert ze niet dat een model biologisch klopt, dat een dierproef naar mensen vertaalt of dat een kandidaat succesvol door klinische onderzoeken komt.

Autonome systemen brengen bovendien eigen voorwaarden mee. Ze hebben robuuste veiligheidsmechanismen, foutafhandeling, audit trails en menselijk toezicht nodig. Een ontdekkingslaboratorium is niet volledig autonoom alleen omdat het een protocol zonder iemand naast het instrument kan uitvoeren. Hogere niveaus van autonomie vereisen dat systemen volledige wetenschappelijke cycli doorlopen, routine-uitkomsten interpreteren en afwijkingen aan menselijke onderzoekers voorleggen. 1

MegaRobo’s argument moet daarom worden gelezen als een pleidooi voor ondersteunende infrastructuur, niet als een belofte dat geneesmiddelen automatisch worden goedgekeurd. Als AI-gegenereerde hypotheses de experimentele verificatie blijven overtreffen, kunnen organisaties die reproduceerbaar, samenhangend en machinaal leesbaar bewijs produceren bepalen welke modellen daadwerkelijk wetenschappelijke waarde krijgen.

De kern

Volgens MegaRobo ligt de volgende concurrentielaag in AI voor wetenschap tussen het model en de fysieke wereld. Rekenvermogen kan de zoekruimte vergroten en algoritmen kunnen de prioritering verbeteren, maar geen van beide vervangt de experimenten die moeten aantonen of een hypothese klopt.

Het lab-in-the-loop is de voorgestelde oplossing: waarneming, AI-gestuurde interpretatie, robotische uitvoering en voortdurende dataverzameling worden samengebracht in één feedbacksysteem. Als die infrastructuur op voldoende schaal en met voldoende betrouwbaarheid werkt, wordt het laboratorium een vorm van experimentele rekenkracht. Controle over die laag kan dan net zo belangrijk worden als controle over het model dat de hypotheses genereert.